Faster R-CNN（3/5）ＲＰＮの実施例<前半>
はぐれ弁理士 PA Tora-O です。前回（第２回）では、Ｒ－ＣＮＮと対比する形で、”Faster R-CNN” の発明ストーリーを作成しました。改めて復習されたい方は、こちらのリンクから確認をお願いします。
今回（第３回）は、”Faster R-CNN” の隠された特徴事項であるＲＰＮ（Region Proposal Network）の実施例について詳しく説明します。
ＲＰＮの全体像
ＲＰＮは、関心領域（ＲＯＩ）の提案を行うニューラルネットワークです。ＲＰＮの概念図は、図１に示す通りです。
出展：“Faster R-CNN : Towards Real-Time Object Detection with Region Proposal Networks”
この記載によれば、ニューラルネットワークは、［１］入力層と、［２］中間層と、［３］中間層から分岐する２つの出力層と、から構成されているようです。ただ、この概念図はコンパクトに描かれすぎていて、実際の処理流れを理解するのが難しいかもしれません。そこで、ＲＰＮの処理流れを示すフローチャートを自作しました（図２）。
これから、フローチャートの各ステップを詳細に説明しながら、ＲＰＮの全容を把握していきます。当方の理解不足につき技術的な誤りが含まれる可能性もありますが、予めご了承ください。
Ｓ１：アンカーの指定
まず、ステップＳ１では、全体特徴マップ内のうち、まだ計算対象になっていないアンカー（Anchor）を指定します。この「アンカー」は、いわゆるスライディングウィンドウ法における指定位置に相当します。後述するように、このアンカーが基準点となって様々な境界ボックスが設定されますので、アンカー（錨）という表現を使ったのかもしれません。
Ｓ２：アンカーボックスの設定
次に、ステップＳ２では、指定されたアンカーを中心とする複数のアンカーボックス（Anchor Boxes）を設定します。この「アンカーボックス」は、定形的な境界ボックスであり、デフォルトボックス（default box）とも呼ばれています。ここでは、［１］３種類のアスペクト比、［２］３種類のボックスサイズ、の全組合せである合計９個のアンカーボックスを設定します。どうやら、１個のアンカーにつき複数のアンカーボックスを設定する、というのが真新しい発想のようです。
図３に示すように、それぞれ中心を共有する９個のアンカーボックスを準備することで、様々な形状・サイズを有する物体を囲むＲＯＩ候補を提示することができます。なお、“Ground Truth” は、「正解」を意味し、ＡＩ分野では頻出の用語ですので覚えておきましょう。
Ｓ３：アンカー特徴量の生成・入力
次に、ステップＳ３では、設定された９個のアンカーボックスから特徴量（以下、アンカー特徴量）を生成します。具体的には、全体特徴マップから各アンカーボックス内の部分特徴マップを抽出した後、プーリング演算およびフラット化を通じて、９個のアンカーボックスに関する特徴量を含む特徴ベクトルを生成します。
なお、いずれも固定サイズのアンカーボックスが用いられるため、ＲＯＩプーリング（Fast R-CNN）のような手法は必要ありません。また、全体特報マップが有するチャンネルの取り扱いは、ＣＮＮの従来手法と同様であるため、詳しい説明を割愛します。そして、ニューラルネットワークの入力層にアンカー特徴量をセットすることで、ニューラルネットワークによる演算を開始します。
次回（第４回）は、ニューラルネットワークの出力（図２のステップＳ４）以降について説明します。
↓ブログランキングに参加しています。よろしければ１クリックお願いします。
